タイトルの通りです。RubyからRのデータセットを読み込むGemを作りました。
R言語パッケージに含まれている約1,200のデータセットを利用することができます。
https://github.com/kojix2/rdatasets
Rのデータセットの元データはこちらです。
https://github.com/vincentarelbundock/Rdatasets
インストール
gem install rdatasets
- 必要なもの
- Daru データフレームオブジェクトを提供するライブラリ
使い方
iris（アヤメの計測データ）のデータセットを読み込む
require 'radatasets'
iris = RDatasets.load(:datasets, :iris)
iris = Daru::DataFrame.from_rdatasets(:datasets, :iris)
irisのデータが読み込まれ、Daru::DataFrameが作成されます。
=> #<Daru::DataFrame(150x5)>
Sepal.Leng Sepal.Widt Petal.Leng Petal.Widt Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
7 4.6 3.4 1.4 0.3 setosa
8 5 3.4 1.5 0.2 setosa
9 4.4 2.9 1.4 0.2 setosa
10 4.9 3.1 1.5 0.1 setosa
11 5.4 3.7 1.5 0.2 setosa
12 4.8 3.4 1.6 0.2 setosa
13 4.8 3 1.4 0.1 setosa
14 4.3 3 1.1 0.1 setosa
15 5.8 4 1.2 0.2 setosa
... ... ... ... ... ...
Jupyter Lab + IRuby では次のように表示されます。
タイタニックのデータセットを読み込む
titanic = RDatasets.load :datasets, :Titanic
# => #<Daru::DataFrame(32x5)>
Class Sex Age Survived Freq
1 1st Male Child No 0
2 2nd Male Child No 0
3 3rd Male Child No 35
4 Crew Male Child No 0
5 1st Female Child No 0
6 2nd Female Child No 0
7 3rd Female Child No 17
8 Crew Female Child No 0
9 1st Male Adult No 118
10 2nd Male Adult No 154
11 3rd Male Adult No 387
12 Crew Male Adult No 670
13 1st Female Adult No 4
14 2nd Female Adult No 13
15 3rd Female Adult No 89
... ... ... ... ... ...
一応メソッドチェーンでも呼び出せます。
iris = RDatasets.datasets.iris
titanic = RDatasets.datasets.Titanic
使用できるパッケージのリストを表示する
RDatasets.packages
# => [:boot, :carData, :cluster, :COUNT, :DAAG, :datasets, :drc, :Ecdat, :evir, :forecast,
# :fpp2, :gamclass, :gap, :geepack, :ggplot2, :HistData, :HSAUR, :hwde, :ISLR, :KMsurv,
# :lattice, :lme4, :lmec, :MASS, :mediation, :mi, :mosaicData, :multgee, :plm, :plyr,
# :pscl, :psych, :quantreg, :reshape2, :robustbase, :rpart, :sandwich, :sem, :Stat2Data,
# :survival, :texmex, :vcd, :Zelig]
あるパッケージで利用できるデータセットのリストを表示する
RDatasets.packages :survival
# => [:bladder, :cancer, :cgd, :colon, :flchain, :genfan, :heart, :kidney, :leukemia,
# :logan, :lung, :mgus, :mgus2, :myeloid, :nwtco, :ovarian, :pbc, :rats, :retinopathy,
# :rhDNase, :solder, :stanford2, :tobin, :transplant, :uspop2, :veteran]
# 打ち損じでデータの読み込みが失敗したときのために、load(package_name)でもデータセットのリストは表示できる
RDatasets.load :datasets, :hogehoge
# => エラー (No such file or directory
RDatasets.load :datasets
# => [:"ability.cov", :airmiles, :AirPassengers, :airquality, :anscombe ...以下略
全データセットのリストを取得する
RDatasets.df
# => Daru::DataFrame
Jupyter Lab + IRuby カーネルでは以下のように表示されます。
特定のデータセットを検索することもできます。
RDatasets.search "diamond" # 大文字、小文字は無視される
RDatasets.search /diamond/ # 正規表現
説明
このGemはRubyからデータセットを簡単に読み込む方法がないので作成しました。JuliaからRのデータセットを読み込むパッケージの RDatasets.jl が便利そうだったので、これを真似して作りました。RのデータセットはVincentさんの作成したレポジトリのRのデータセットから移植しました。
内部では data フォルダに格納してあるCSVファイルを Daru::DataFrame.from_csv で読み込むだけ、という簡単な仕組みです。RubyはGemの作成時にdataディレクトリをtar.gzに自動で圧縮してくれます。それでもgemのサイズは約23.6MBと少し大きめです。
配布元よりRのデータセットのライセンスはGPL3と仮定されています。詳しくはリンクをご覧ください。
感謝
- Vincent Arel-Bundock
- Rのデータセットを収載したレポジトリ Rdatasets の作者。
- John Myles White
- RDatasets.jl の作者。
貢献
当方エンジニアではなく、ほとんど雰囲気で書いているため、よく見ると‥よく見なくても‥コードがおかしいところがあるかもしれません。そういう時はプルリクエストという形でやさしく教えてくれると助かります。しかし全体的にはそういった点を差し引いても便利なgemになっているのではないかな、と思います。あと全体的にRubyを使ったデータ解析の集合知がまだ足りなくて、ググっても求める結果がなかなか見つからないことが多いですね。だから rdatasets, Daru、SVMKit、NArray、IRubyなどを使用したら、ぜひ感想を自分のブログにでも書いてください。きっとあとから同じことをやろうとする人の役に立つと思います。